Per creare un nuovo indice o aggiornare un indice esistente, fornisci vettori a Vector Search nel formato e nella struttura descritti nelle sezioni seguenti.
Archiviazione dei dati di input e organizzazione dei file
Prerequisito
Archivia i dati di input in un bucket Cloud Storage nel tuo progetto Google Cloud.
I file di dati di input devono essere organizzati come segue:
- Ogni batch di file di dati di input deve trovarsi in un'unica directory Cloud Storage.
- I file di dati devono essere posizionati direttamente sotto
batch_root
e denominati con i seguenti suffissi:.csv
,.json
e.avro
. - Esiste un limite di 5000 oggetti (file) nella directory radice batch.
- Ogni file di dati viene interpretato come un insieme di record. Il formato del record è determinato dal suffisso del nome file e tali requisiti di formato sono descritti. Consulta Formati di file di dati.
- Ogni record deve avere un
id
, un vettore di caratteristiche e i campi facoltativi supportati da Vertex AI Feature Store, come limitazioni e crowding. - Potrebbe essere presente una sottodirectory denominata
delete
. Ogni file direttamente inbatch_root
/delete
viene considerato un file di testo di recordid
con unid
per ogni riga. - Tutti gli altri file e directory vengono ignorati.
Elaborazione dei dati di input
- Tutti i record di tutti i file di dati, inclusi quelli in
delete
, sono costituiti da un singolo batch di input. - L'ordine relativo dei record all'interno di un file di dati non è importante.
- Un singolo ID deve apparire una sola volta in un batch. Se esiste un duplicato con lo stesso ID, viene visualizzato come un conteggio vettoriale.
- Un ID non può essere presente sia in un normale file di dati sia in un file di dati eliminato.
- Tutti gli ID di un file di dati in stato di eliminazione ne causano la rimozione dalla versione di indice successiva.
- I record dei normali file di dati saranno inclusi nella versione successiva, sovrascrivendo un valore in una versione precedente dell'indice.
Di seguito sono riportati alcuni esempi di incorporamenti densi, sparsi e ibridi:
Incorporamenti densi:
{"id": "1", "embedding": [1,1,1]} {"id": "2", "embedding": [2,2,2]}
Incorporamenti sparsi (anteprima pubblica):
{"id": "3", "sparse_embedding": {"values": [0.1, 0.2], "dimensions": [1, 4]}} {"id": "4", "sparse_embedding": {"values": [-0.4, 0.2, -1.3], "dimensions": [10, 20, 20]}}
Incorporamenti ibridi (anteprima pubblica):
{"id": "5", "embedding": [5, 5, -5], "sparse_embedding": {"values": [0.1], "dimensions": [500]}} {"id": "6", "embedding": [6, 7, -8.1], "sparse_embedding": {"values": [0.1, -0.2], "dimensions": [40, 901]}}
Di seguito è riportato un esempio di organizzazione valida di un file di dati di input:
batch_root/
feature_file_1.csv
feature_file_2.csv
delete/
delete_file.txt
I file feature_file_1.csv
e feature_file_2.csv
contengono record in formato CSV. Il file delete_file.txt
contiene un elenco di ID record da eliminare
dalla versione dell'indice successiva.
Formati file di dati
JSON
- Codifica il file JSON utilizzando UTF-8.
- Ogni riga del file JSON verrà interpretata come un oggetto JSON separato.
- Ogni record deve contenere un campo
id
per specificare l'ID del vettore. - Ogni record deve contenere almeno uno dei seguenti valori:
embedding
osparse_embedding
. - Il campo
embedding
è un array di numeri in virgola mobileN
che rappresenta il vettore di caratteristiche, doveN
è la dimensione del vettore di caratteristiche configurato al momento della creazione dell'indice. Questo campo può essere utilizzato solo per gli incorporamenti densi.configs.dimensions
, che viene specificato al momento della creazione dell'indice, deve avere la stessa lunghezza diembeddings
.configs.dimensions
si applica solo aembedding
, non asparse_embedding
.
- Il campo
sparse_embedding
è un oggetto con campivalues
edimensions
. Il campovalues
è un elenco di numeri in virgola mobile che rappresentano il vettore di caratteristiche, mentre il campodimensions
è un elenco di numeri interi che rappresentano la dimensione in cui si trova il valore corrispondente. Ad esempio, un incorporamento sparso simile a[0,0.1,0,0,0.2]
può essere rappresentato come"sparse_embedding": {"values": [0.1, 0.2], "dimensions": [1,4]}
. Questo campo può essere utilizzato solo per gli incorporamenti sparsi.- La lunghezza di
sparse_embeddings.values
deve essere la stessa disparse_embeddings.dimensions
. Non devono essere della stessa durata diconfigs.dimensions
, che viene specificato al momento della creazione dell'indice e non si applica asparse_embeddings
.
- La lunghezza di
- È possibile includere un campo
restricts
facoltativo che specifica un array diTokenNamespace
oggetti nelle limitazioni. Per ogni oggetto:- Specifica un campo
namespace
che corrisponda aTokenNamespace.namespace
. - Un campo
allow
facoltativo può essere impostato su un array di stringhe che costituiscono l'elenco diTokenNamespace.string_tokens
. - Un campo
deny
facoltativo può essere impostato su un array di stringhe che costituiscono l'elenco diTokenNamespace.string_blacklist_tokens
. - Il valore del campo
crowding_tag
, se presente, deve essere una stringa.
- Specifica un campo
- È possibile includere un campo
numeric_restricts
facoltativo che specifica un array diNumericRestrictNamespace
. Per ogni oggetto:- Specifica un campo
namespace
che siaNumericRestrictNamespace.namespace
. - Uno dei campi valore
value_int
,value_float
evalue_double
. - Non deve avere un campo denominato op. Questo campo è riservato solo alle query.
- Specifica un campo
Avro
- Utilizza un file Avro valido.
- Per rappresentare un punto dati solo sparso, fornisci un incorporamento sparso nel campo
sparse_embedding
e inserisci un elenco vuoto nel campoembedding
. Crea record conformi allo schema seguente:
{ "type": "record", "name": "FeatureVector", "fields": [ { "name": "id", "type": "string" }, { "name": "embedding", "type": { "type": "array", "items": "float" } }, { "name": "sparse_embedding", "type": [ "null", { "type": "record", "name": "sparse_embedding", "fields": [ { "name": "values", "type": { "type": "array", "items": "float" } }, { "name": "dimensions", "type": { "type": "array", "items": "long" } } ] } ] }, { "name": "restricts", "type": [ "null", { "type": "array", "items": { "type": "record", "name": "Restrict", "fields": [ { "name": "namespace", "type": "string" }, { "name": "allow", "type": [ "null", { "type": "array", "items": "string" } ] }, { "name": "deny", "type": [ "null", { "type": "array", "items": "string" } ] } ] } } ] }, { "name": "numeric_restricts", "type": [ "null", { "type": "array", "items": { "name": "NumericRestrict", "type": "record", "fields": [ { "name": "namespace", "type": "string" }, { "name": "value_int", "type": [ "null", "int" ], "default": null }, { "name": "value_float", "type": [ "null", "float" ], "default": null }, { "name": "value_double", "type": [ "null", "double" ], "default": null } ] } } ], "default": null }, { "name": "crowding_tag", "type": [ "null", "string" ] } ] }
CSV
- Formato:
ID,N feature vector values,Any number of dimension:value sparse values,name=value lists
- Codifica il file CSV utilizzando UTF-8.
- Ogni riga del file CSV deve contenere esattamente un record.
- Il primo valore di ogni riga deve essere l'ID vettore, che deve essere una stringa UTF-8 valida.
- Dopo l'ID, è necessario specificare almeno un incorporamento sparso o denso.
- Per un incorporamento denso, i successivi valori
N
rappresentano il vettore di caratteristiche, doveN
è la dimensione del vettore di caratteristiche configurato al momento della creazione dell'indice. - Per un incorporamento sparso, è possibile specificare qualsiasi numero di
dimension:value
, in cuivalue
viene analizzato come numero in virgola mobile edimension
comelong
. - Per un incorporamento ibrido con incorporamenti sia densi che sparsi, gli incorporamenti densi devono essere specificati prima di quelli sparsi.
- I valori dei vettori di caratteristiche devono essere valori letterali con virgola mobile come definito nelle specifiche del linguaggio Java.
- I valori aggiuntivi potrebbero essere nel formato
name=value
. - Il nome
crowding_tag
viene interpretato come tag di crowding e può essere visualizzato una sola volta nel record. Tutte le altre coppie
name=value
sono interpretate come limitazioni dello spazio dei nomi dei token. Lo stesso nome può essere ripetuto se sono presenti più valori in uno spazio dei nomi.Ad esempio,
color=red,color=blue
rappresenta questoTokenNamespace
:{ "namespace": "color" "string_tokens": ["red", "blue"] }
Se il valore inizia con
!
, il resto della stringa viene interpretato come un valore escluso.Ad esempio,
color=!red
rappresenta questoTokenNamespace
:{ "namespace": "color" "string_blacklist_tokens": ["red"] }
Le coppie
#name=numericValue
con suffisso del tipo numerico sono interpretate come limitazioni dello spazio dei nomi numerico. Il suffisso del tipo di numero èi
per int,f
per in virgola mobile ed
per doppio. Lo stesso nome non deve essere ripetuto perché dovrebbe essere associato un singolo valore per ogni spazio dei nomi.Ad esempio,
#size=3i
rappresenta questoNumericRestrictNamespace
:{ "namespace": "size" "value_int": 3 }
#ratio=0.1f
rappresenta questoNumericRestrictNamespace
:{ "namespace": "ratio" "value_float": 0.1 }
#weight=0.3d
rappresenta questoNumericRestriction
:{ "namespace": "weight" "value_double": 0.3 }
L'esempio seguente è un punto dati con
id: "6"
,embedding: [7, -8.1]
,sparse_embedding: {values: [0.1, -0.2, 0.5], dimensions: [40, 901, 1111]}}
, tag di crowdingtest
, lista consentita di token dicolor: red, blue
, lista bloccata di token dicolor: purple
e limitazione numerica diratio
con numero in virgola mobile0.1
:6,7,-8.1,40:0.1,901:-0.2,1111:0.5,crowding_tag=test,color=red,color=blue,color=!purple,ratio=0.1f
Passaggi successivi
- Scopri come creare e gestire l'indice